
import numpy as np 
import pandas as pd 
pd.options.display.max_colwidth = 300

import matplotlib.pyplot as plt
import seaborn as sns

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor 
from sklearn import metrics

import re

RANDOM_SEED = 42
# !pip freeze > requirements.txt


# Анализ содержимого таблицы
def df_types(df_input):
    df_output = pd.DataFrame(
        df_input[df_input[c].notna()][c].apply(type).value_counts() for c in df_input.columns
    ).fillna(0).astype(int)
    if df_input.isna().any().any():
        df_output['NaN'] = df_input.isna().sum()
    df_output['sum'] = df_output.sum(axis=1)
    display(df_output.head(60))
#     return df_output


df_melting_input = pd.read_excel('Исх9.xlsx', 'Параметры')
df_types(df_melting_input)
df_melting_input.columns

Index(['Паспорт разливки плавки', 'Дата', 'Момент замера',
       'Минут между плавками', 'Вес заготовок, т', 'Марка стали полученная',
       'Номер серии', 'Плавка в серии', 'Размер', 'Тип разливки',
       'Вес разлитой стали, т', 'Темп. стали в с/к, °C', 'Ручей',
       'Стойкость, т', 'Ключ', 'Номер запись в паспорте',
       'Номер кристаллизатора', 'Гильза', 'Стойкость при выходе из строя, т',
       'Стойкость при последней ревизии, т', 'Срок службы, в % от гарантии',
       'Частота качания, кол-во/мин', 'Ход кр-ра, мм',
       'Скорость разливки, м/мин', 'Расход воды на кр-р, л/мин',
       'Дельта температуры воды, °C', 'Расход воды ЗВО №1, л/мин',
       'Расход воды ЗВО №2, л/мин', 'Расход воды ЗВО №3, л/мин', 'Марка',
       'Кол-во, т', 'Время 1 замера', 'Темп 1, °С', 'Время 2 замера',
       'Темп 2, °С', 'Время пробы  МНЛЗ', 'C, %', 'Si, %', 'Mn,%', 'S, %',
       'P, %', 'Cr, %', 'Ni, %', 'Cu, %', 'As, %', 'Mo, %', 'Nb, %', 'Sn, %',
       'Ti, %', 'V, %', 'Al, %', 'Ca, %', 'N, %', 'Pb, %', 'Mg, %', 'Zn, %',
       'Сэ, %', 'Тип стакана дозатора п/к', '№ НЛЗ', 'Ромбичность, мм',
       'дельта'],
      dtype='object')


df_melting = df_melting_input.copy().reset_index(drop=True)
gil_list = df_melting["Гильза"]
df_melting["Вес заготовок, т"] = df_melting["Вес заготовок, т"].str.replace(',','.').astype(float)
df_melting["Кол-во, т"] = df_melting["Кол-во, т"].str.replace(',','.').astype(float)
df_melting["Марка"], marka_list = df_melting["Марка"].factorize()
df_melting["Марка стали полученная"], marka_st_list = df_melting["Марка стали полученная"].factorize()

df_melting.fillna(0, inplace=True)
df_types(df_melting)
df_melting.columns

Index(['Паспорт разливки плавки', 'Дата', 'Момент замера',
       'Минут между плавками', 'Вес заготовок, т', 'Марка стали полученная',
       'Номер серии', 'Плавка в серии', 'Размер', 'Тип разливки',
       'Вес разлитой стали, т', 'Темп. стали в с/к, °C', 'Ручей',
       'Стойкость, т', 'Ключ', 'Номер запись в паспорте',
       'Номер кристаллизатора', 'Гильза', 'Стойкость при выходе из строя, т',
       'Стойкость при последней ревизии, т', 'Срок службы, в % от гарантии',
       'Частота качания, кол-во/мин', 'Ход кр-ра, мм',
       'Скорость разливки, м/мин', 'Расход воды на кр-р, л/мин',
       'Дельта температуры воды, °C', 'Расход воды ЗВО №1, л/мин',
       'Расход воды ЗВО №2, л/мин', 'Расход воды ЗВО №3, л/мин', 'Марка',
       'Кол-во, т', 'Время 1 замера', 'Темп 1, °С', 'Время 2 замера',
       'Темп 2, °С', 'Время пробы  МНЛЗ', 'C, %', 'Si, %', 'Mn,%', 'S, %',
       'P, %', 'Cr, %', 'Ni, %', 'Cu, %', 'As, %', 'Mo, %', 'Nb, %', 'Sn, %',
       'Ti, %', 'V, %', 'Al, %', 'Ca, %', 'N, %', 'Pb, %', 'Mg, %', 'Zn, %',
       'Сэ, %', 'Тип стакана дозатора п/к', '№ НЛЗ', 'Ромбичность, мм',
       'дельта'],
      dtype='object')


object_columns = [s for s in df_melting.columns if df_melting[s].dtypes == 'object']
object_columns += ['Дата', 'Момент замера', 'Паспорт разливки плавки', 'Стойкость, т', '№ НЛЗ',
                   'Номер серии', 'Номер запись в паспорте', 'Срок службы, в % от гарантии', 'Стойкость при выходе из строя, т']
df_melting.drop(object_columns, axis = 1, inplace=True)

df_types(df_melting)


# df_melting.to_clipboard()
df = df_melting.copy().reset_index(drop=True)
key_param = 'Стойкость при последней ревизии, т'

# Для понимания значимости зависимости сгенерируем три случайные параметра
df['random'] = np.random.rand(len(df))
df['random_10'] = np.random.rand(len(df))*10000
df['random_sec'] = list(range(len(df)))
df['random_sec'] = df['random_sec'].sample(frac=1).reset_index(drop=True)

plt.rcParams['xtick.top'] = plt.rcParams['xtick.labeltop'] = True
plt.rcParams['xtick.bottom'] = plt.rcParams['xtick.labelbottom'] = False

plt.figure(figsize=(16,10), dpi= 100)

df_corr = df[[key_param]+[c for c in df.columns if not c in [key_param]]].corr()
sns.heatmap(df_corr.abs(), cmap='Reds', square=True)

plt.xticks(horizontalalignment='left', fontsize=8, rotation=45)
plt.yticks(fontsize=8);


plt.figure(figsize=(16,10), dpi= 100)
df_corr = df[[key_param]+[c for c in df.columns[:len(df.columns)//3] if not c in [key_param]]].corr()
sns.heatmap(df_corr.abs(), annot=True, fmt='.2f', annot_kws={'fontsize':14}, cmap='Reds', linewidths=1)
#, mask=np.triu(df_corr)) colors — https://matplotlib.org/examples/color/colormaps_reference.html
plt.xticks(horizontalalignment='left', fontweight='light', fontsize=14, rotation=30)
plt.yticks(fontweight='light', fontsize=14);


plt.figure(figsize=(16,10), dpi= 100)
df_corr = df[[key_param]+[c for c in df.columns[len(df.columns)//3:len(df.columns)//3*2] if not c in [key_param]]].corr()
sns.heatmap(df_corr.abs(), annot=True, fmt='.2f', annot_kws={'fontsize':14}, cmap='Reds', linewidths=1)
#, mask=np.triu(df_corr)) colors — https://matplotlib.org/examples/color/colormaps_reference.html
plt.xticks(horizontalalignment='left', fontweight='light', fontsize=14, rotation=30)
plt.yticks(fontweight='light', fontsize=14);


plt.figure(figsize=(16,10), dpi= 100)
df_corr = df[[key_param]+[c for c in df.columns[len(df.columns)//3*2:] if not c in [key_param]]].corr()
sns.heatmap(df_corr.abs(), annot=True, fmt='.2f', annot_kws={'fontsize':14}, cmap='Reds', linewidths=1)
#, mask=np.triu(df_corr)) colors — https://matplotlib.org/examples/color/colormaps_reference.html
plt.xticks(horizontalalignment='left', fontweight='light', fontsize=14, rotation=30)
plt.yticks(fontweight='light', fontsize=14);


# df_melting.to_clipboard()
df = df_melting.copy()[df_melting['Размер']==150].drop('Размер', axis = 1).reset_index(drop=True)
key_param = 'Стойкость при последней ревизии, т'

# Для понимания значимости зависимости сгенерируем три случайные параметра
df['random'] = np.random.rand(len(df))
df['random_10'] = np.random.rand(len(df))*10000
df['random_sec'] = list(range(len(df)))
df['random_sec'] = df['random_sec'].sample(frac=1).reset_index(drop=True)

plt.rcParams['xtick.top'] = plt.rcParams['xtick.labeltop'] = True
plt.rcParams['xtick.bottom'] = plt.rcParams['xtick.labelbottom'] = False

plt.figure(figsize=(16,10), dpi= 100)

df_corr = df[[key_param]+[c for c in df.columns if not c in [key_param]]].corr()
sns.heatmap(df_corr.abs(), cmap='Reds', square=True)

plt.xticks(horizontalalignment='left', fontsize=8, rotation=45)
plt.yticks(fontsize=8);


plt.figure(figsize=(16,10), dpi= 100)
df_corr = df[[key_param]+[c for c in df.columns[:len(df.columns)//3] if not c in [key_param]]].corr()
sns.heatmap(df_corr.abs(), annot=True, fmt='.2f', annot_kws={'fontsize':14}, cmap='Reds', linewidths=1)
#, mask=np.triu(df_corr)) colors — https://matplotlib.org/examples/color/colormaps_reference.html
plt.xticks(horizontalalignment='left', fontweight='light', fontsize=14, rotation=30)
plt.yticks(fontweight='light', fontsize=14);


plt.figure(figsize=(16,10), dpi= 100)
df_corr = df[[key_param]+[c for c in df.columns[len(df.columns)//3:len(df.columns)//3*2] if not c in [key_param]]].corr()
sns.heatmap(df_corr.abs(), annot=True, fmt='.2f', annot_kws={'fontsize':14}, cmap='Reds', linewidths=1)
#, mask=np.triu(df_corr)) colors — https://matplotlib.org/examples/color/colormaps_reference.html
plt.xticks(horizontalalignment='left', fontweight='light', fontsize=14, rotation=30)
plt.yticks(fontweight='light', fontsize=14);


plt.figure(figsize=(16,10), dpi= 100)
df_corr = df[[key_param]+[c for c in df.columns[len(df.columns)//3*2:] if not c in [key_param]]].corr()
sns.heatmap(df_corr.abs(), annot=True, fmt='.2f', annot_kws={'fontsize':14}, cmap='Reds', linewidths=1)
#, mask=np.triu(df_corr)) colors — https://matplotlib.org/examples/color/colormaps_reference.html
plt.xticks(horizontalalignment='left', fontweight='light', fontsize=14, rotation=30)
plt.yticks(fontweight='light', fontsize=14);


# df_melting.to_clipboard()
df = df_melting.copy()[df_melting['Размер']==180].drop('Размер', axis = 1).reset_index(drop=True)
key_param = 'Стойкость при последней ревизии, т'

# Для понимания значимости зависимости сгенерируем три случайные параметра
df['random'] = np.random.rand(len(df))
df['random_10'] = np.random.rand(len(df))*10000
df['random_sec'] = list(range(len(df)))
df['random_sec'] = df['random_sec'].sample(frac=1).reset_index(drop=True)

plt.rcParams['xtick.top'] = plt.rcParams['xtick.labeltop'] = True
plt.rcParams['xtick.bottom'] = plt.rcParams['xtick.labelbottom'] = False

plt.figure(figsize=(16,10), dpi= 100)

df_corr = df[[key_param]+[c for c in df.columns if not c in [key_param]]].corr()
sns.heatmap(df_corr.abs(), cmap='Reds', square=True)

plt.xticks(horizontalalignment='left', fontsize=8, rotation=45)
plt.yticks(fontsize=8);


plt.figure(figsize=(16,10), dpi= 100)
df_corr = df[[key_param]+[c for c in df.columns[:len(df.columns)//3] if not c in [key_param]]].corr()
sns.heatmap(df_corr.abs(), annot=True, fmt='.2f', annot_kws={'fontsize':14}, cmap='Reds', linewidths=1)
#, mask=np.triu(df_corr)) colors — https://matplotlib.org/examples/color/colormaps_reference.html
plt.xticks(horizontalalignment='left', fontweight='light', fontsize=14, rotation=30)
plt.yticks(fontweight='light', fontsize=14);


plt.figure(figsize=(16,10), dpi= 100)
df_corr = df[[key_param]+[c for c in df.columns[len(df.columns)//3:len(df.columns)//3*2] if not c in [key_param]]].corr()
sns.heatmap(df_corr.abs(), annot=True, fmt='.2f', annot_kws={'fontsize':14}, cmap='Reds', linewidths=1)
#, mask=np.triu(df_corr)) colors — https://matplotlib.org/examples/color/colormaps_reference.html
plt.xticks(horizontalalignment='left', fontweight='light', fontsize=14, rotation=30)
plt.yticks(fontweight='light', fontsize=14);


plt.figure(figsize=(16,10), dpi= 100)
df_corr = df[[key_param]+[c for c in df.columns[len(df.columns)//3*2:] if not c in [key_param]]].corr()
sns.heatmap(df_corr.abs(), annot=True, fmt='.2f', annot_kws={'fontsize':14}, cmap='Reds', linewidths=1)
#, mask=np.triu(df_corr)) colors — https://matplotlib.org/examples/color/colormaps_reference.html
plt.xticks(horizontalalignment='left', fontweight='light', fontsize=14, rotation=30)
plt.yticks(fontweight='light', fontsize=14);


# разобъем список гильз gil_list.unique() на трен и тест
# выделим 40% гильз на валидацию (параметр test_size)
gil_train, gil_test = train_test_split(gil_list.unique(), test_size=0.4, random_state=RANDOM_SEED)

y_train = df_melting[gil_list.isin(gil_train)]['Стойкость при последней ревизии, т'].values
X_train =  df_melting[gil_list.isin(gil_train)].drop('Стойкость при последней ревизии, т', axis=1)

y_test = df_melting[gil_list.isin(gil_test)]['Стойкость при последней ревизии, т'].values
X_test = df_melting[gil_list.isin(gil_test)].drop('Стойкость при последней ревизии, т', axis=1)

len(gil_train), len(gil_test), len(y_train), len(X_train), len(y_test), len(X_test)

(36, 25, 12483, 12483, 12340, 12340)


# Создаём модель, используя модель Random forest
model = RandomForestRegressor(n_estimators=200, verbose=1, n_jobs=-1, random_state=RANDOM_SEED)
# Обучаем модель на тестовом наборе данных
model.fit(X_train, y_train)

y_pred = model.predict(X_test)

[Parallel(n_jobs=-1)]: Using backend ThreadingBackend with 8 concurrent workers.
[Parallel(n_jobs=-1)]: Done  34 tasks      | elapsed:    9.6s
[Parallel(n_jobs=-1)]: Done 184 tasks      | elapsed:   43.7s
[Parallel(n_jobs=-1)]: Done 200 out of 200 | elapsed:   47.4s finished
[Parallel(n_jobs=8)]: Using backend ThreadingBackend with 8 concurrent workers.
[Parallel(n_jobs=8)]: Done  34 tasks      | elapsed:    0.1s
[Parallel(n_jobs=8)]: Done 184 tasks      | elapsed:    0.6s
[Parallel(n_jobs=8)]: Done 200 out of 200 | elapsed:    0.6s finished


mae = metrics.mean_absolute_error(y_test,y_pred)
mean = df['Стойкость при последней ревизии, т'].mean()
mae_percent = mae/mean

print('среднее количество метала до выбытия:', mean)
print('средняя ошибка прогноза: ', mae)
print('средняя ошибка в %:', mae_percent*100, '%')

среднее количество метала до выбытия: 10559.360437384692
средняя ошибка прогноза:  3327.866823338736
средняя ошибка в %: 31.51579911560412 %


# RandomForestRegressor — выведем самые важные признаки
plt.rcParams['figure.figsize'] = (12,10)
feat_importances = pd.Series(model.feature_importances_, index=X_test.columns)
feat_importances.nlargest(60).plot(kind='barh')

<AxesSubplot:>


# разобъем список гильз gil_list.unique() на трен и тест
# выделим 40% гильз на валидацию (параметр test_size)
gil_train, gil_test = train_test_split(gil_list.unique(), test_size=0.4, random_state=RANDOM_SEED)

y_train = df_melting[(df_melting['Размер']==150)&gil_list.isin(gil_train)]['Стойкость при последней ревизии, т'].values
X_train =  df_melting[(df_melting['Размер']==150)&gil_list.isin(gil_train)].drop('Стойкость при последней ревизии, т', axis=1)

y_test = df_melting[(df_melting['Размер']==150)&gil_list.isin(gil_test)]['Стойкость при последней ревизии, т'].values
X_test = df_melting[(df_melting['Размер']==150)&gil_list.isin(gil_test)].drop('Стойкость при последней ревизии, т', axis=1)

len(gil_train), len(gil_test), len(y_train), len(X_train), len(y_test), len(X_test)

(36, 25, 1324, 1324, 1276, 1276)


# Создаём модель, используя модель Random forest
model = RandomForestRegressor(n_estimators=200, verbose=1, n_jobs=-1, random_state=RANDOM_SEED)
# Обучаем модель на тестовом наборе данных
model.fit(X_train, y_train)

y_pred = model.predict(X_test)

[Parallel(n_jobs=-1)]: Using backend ThreadingBackend with 8 concurrent workers.
[Parallel(n_jobs=-1)]: Done  34 tasks      | elapsed:    0.2s
[Parallel(n_jobs=-1)]: Done 184 tasks      | elapsed:    2.2s
[Parallel(n_jobs=-1)]: Done 200 out of 200 | elapsed:    2.3s finished
[Parallel(n_jobs=8)]: Using backend ThreadingBackend with 8 concurrent workers.
[Parallel(n_jobs=8)]: Done  34 tasks      | elapsed:    0.0s
[Parallel(n_jobs=8)]: Done 184 tasks      | elapsed:    0.0s
[Parallel(n_jobs=8)]: Done 200 out of 200 | elapsed:    0.0s finished


mae = metrics.mean_absolute_error(y_test,y_pred)
mean = df['Стойкость при последней ревизии, т'].mean()
mae_percent = mae/mean

print('среднее количество метала до выбытия:', mean)
print('средняя ошибка прогноза: ', mae)
print('средняя ошибка в %:', mae_percent*100, '%')

среднее количество метала до выбытия: 10559.360437384692
средняя ошибка прогноза:  1430.407789968652
средняя ошибка в %: 13.546348743853759 %


# RandomForestRegressor — выведем самые важные признаки
plt.rcParams['figure.figsize'] = (12,10)
feat_importances = pd.Series(model.feature_importances_, index=X_test.columns)
feat_importances.nlargest(15).plot(kind='barh')

<AxesSubplot:>


# разобъем список гильз gil_list.unique() на трен и тест
# выделим 40% гильз на валидацию (параметр test_size)
gil_train, gil_test = train_test_split(gil_list.unique(), test_size=0.4, random_state=RANDOM_SEED)

y_train = df_melting[(df_melting['Размер']==180)&gil_list.isin(gil_train)]['Стойкость при последней ревизии, т'].values
X_train =  df_melting[(df_melting['Размер']==180)&gil_list.isin(gil_train)].drop('Стойкость при последней ревизии, т', axis=1)

y_test = df_melting[(df_melting['Размер']==180)&gil_list.isin(gil_test)]['Стойкость при последней ревизии, т'].values
X_test = df_melting[(df_melting['Размер']==180)&gil_list.isin(gil_test)].drop('Стойкость при последней ревизии, т', axis=1)

len(gil_train), len(gil_test), len(y_train), len(X_train), len(y_test), len(X_test)

(36, 25, 11159, 11159, 11064, 11064)


# Создаём модель, используя модель Random forest
model = RandomForestRegressor(n_estimators=200, verbose=1, n_jobs=-1, random_state=RANDOM_SEED)
# Обучаем модель на тестовом наборе данных
model.fit(X_train, y_train)

y_pred = model.predict(X_test)

[Parallel(n_jobs=-1)]: Using backend ThreadingBackend with 8 concurrent workers.
[Parallel(n_jobs=-1)]: Done  34 tasks      | elapsed:    0.1s
[Parallel(n_jobs=-1)]: Done 184 tasks      | elapsed:    1.6s
[Parallel(n_jobs=-1)]: Done 200 out of 200 | elapsed:    1.7s finished
[Parallel(n_jobs=8)]: Using backend ThreadingBackend with 8 concurrent workers.
[Parallel(n_jobs=8)]: Done  34 tasks      | elapsed:    0.0s
[Parallel(n_jobs=8)]: Done 184 tasks      | elapsed:    0.0s
[Parallel(n_jobs=8)]: Done 200 out of 200 | elapsed:    0.0s finished


mae = metrics.mean_absolute_error(y_test,y_pred)
mean = df['Стойкость при последней ревизии, т'].mean()
mae_percent = mae/mean

print('среднее количество метала до выбытия:', mean)
print('средняя ошибка прогноза: ', mae)
print('средняя ошибка в %:', mae_percent*100, '%')

среднее количество метала до выбытия: 10559.360437384692
средняя ошибка прогноза:  1430.407789968652
средняя ошибка в %: 13.546348743853759 %


# RandomForestRegressor — выведем самые важные признаки
plt.rcParams['figure.figsize'] = (12,10)
feat_importances = pd.Series(model.feature_importances_, index=X_test.columns)
feat_importances.nlargest(15).plot(kind='barh')

<AxesSubplot:>


# Разбиваем набор данных на тренировочный и тестовый
y = df_melting['Стойкость при последней ревизии, т'].values
X = df_melting.drop('Стойкость при последней ревизии, т', axis=1)

# Воспользуемся специальной функцие train_test_split для разбивки тестовых данных
# выделим 40% гильз на валидацию (параметр test_size)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=RANDOM_SEED)


# Создаём модель, используя метод Random forest
model = RandomForestRegressor(n_estimators=100, verbose=1, n_jobs=-1, random_state=RANDOM_SEED)


# Обучаем модель на тестовом наборе данных
model.fit(X_train, y_train)

# Используем обученную модель для предсказания рейтинга ресторанов в тестовой выборке.
# Предсказанные значения записываем в переменную y_pred
y_pred = model.predict(X_test)

[Parallel(n_jobs=-1)]: Using backend ThreadingBackend with 8 concurrent workers.
[Parallel(n_jobs=-1)]: Done  34 tasks      | elapsed:    8.9s
[Parallel(n_jobs=-1)]: Done 100 out of 100 | elapsed:   22.5s finished
[Parallel(n_jobs=8)]: Using backend ThreadingBackend with 8 concurrent workers.
[Parallel(n_jobs=8)]: Done  34 tasks      | elapsed:    0.2s
[Parallel(n_jobs=8)]: Done 100 out of 100 | elapsed:    0.6s finished


mae = metrics.mean_absolute_error(y_test,y_pred)
mean = df['Стойкость при последней ревизии, т'].mean()
mae_percent = mae/mean

print('среднее количество метала до выбытия:', mean)
print('средняя ошибка прогноза: ', mae)
print('средняя ошибка в %:', mae_percent*100, '%')

среднее количество метала до выбытия: 10559.360437384692
средняя ошибка прогноза:  48.52522255790533
средняя ошибка в %: 0.45954698530893123 %


# в RandomForestRegressor есть возможность вывести самые важные признаки для модели
plt.rcParams['figure.figsize'] = (12,10)
feat_importances = pd.Series(model.feature_importances_, index=X.columns)
feat_importances.nlargest(15).plot(kind='barh')

<AxesSubplot:>

	<class 'int'>	<class 'pandas._libs.tslibs.timestamps.Timestamp'>	<class 'float'>	<class 'str'>	<class 'datetime.time'>	NaN	sum
Паспорт разливки плавки	24823	0	0	0	0	0	24823
Дата	0	24823	0	0	0	0	24823
Момент замера	0	24823	0	0	0	0	24823
Минут между плавками	0	0	24823	0	0	0	24823
Вес заготовок, т	0	0	0	24823	0	0	24823
Марка стали полученная	0	0	0	24823	0	0	24823
Номер серии	24823	0	0	0	0	0	24823
Плавка в серии	24823	0	0	0	0	0	24823
Размер	24823	0	0	0	0	0	24823
Тип разливки	0	0	0	24823	0	0	24823
Вес разлитой стали, т	0	0	24823	0	0	0	24823
Темп. стали в с/к, °C	0	0	24820	0	0	3	24823
Ручей	24823	0	0	0	0	0	24823
Стойкость, т	24823	0	0	0	0	0	24823
Ключ	0	0	0	24823	0	0	24823
Номер запись в паспорте	24823	0	0	0	0	0	24823
Номер кристаллизатора	24823	0	0	0	0	0	24823
Гильза	24060	0	0	763	0	0	24823
Стойкость при выходе из строя, т	24823	0	0	0	0	0	24823
Стойкость при последней ревизии, т	24823	0	0	0	0	0	24823
Срок службы, в % от гарантии	0	0	24823	0	0	0	24823
Частота качания, кол-во/мин	24823	0	0	0	0	0	24823
Ход кр-ра, мм	24823	0	0	0	0	0	24823
Скорость разливки, м/мин	24823	0	0	0	0	0	24823
Расход воды на кр-р, л/мин	24823	0	0	0	0	0	24823
Дельта температуры воды, °C	24823	0	0	0	0	0	24823
Расход воды ЗВО №1, л/мин	24823	0	0	0	0	0	24823
Расход воды ЗВО №2, л/мин	24823	0	0	0	0	0	24823
Расход воды ЗВО №3, л/мин	0	0	24813	0	0	10	24823
Марка	0	0	0	21801	0	3022	24823
Кол-во, т	0	0	0	21784	0	3039	24823
Время 1 замера	0	0	0	0	24823	0	24823
Темп 1, °С	0	0	24790	0	0	33	24823
Время 2 замера	0	0	0	24823	0	0	24823
Темп 2, °С	0	0	24790	0	0	33	24823
Время пробы МНЛЗ	0	0	0	24823	0	0	24823
C, %	0	0	24823	0	0	0	24823
Si, %	0	0	24823	0	0	0	24823
Mn,%	0	0	24823	0	0	0	24823
S, %	0	0	24823	0	0	0	24823
P, %	0	0	24823	0	0	0	24823
Cr, %	0	0	24823	0	0	0	24823
Ni, %	0	0	24823	0	0	0	24823
Cu, %	0	0	24823	0	0	0	24823
As, %	0	0	24811	0	0	12	24823
Mo, %	0	0	24817	0	0	6	24823
Nb, %	0	0	24811	0	0	12	24823
Sn, %	0	0	2552	0	0	22271	24823
Ti, %	0	0	24811	0	0	12	24823
V, %	0	0	24823	0	0	0	24823
Al, %	0	0	24823	0	0	0	24823
Ca, %	0	0	24823	0	0	0	24823
N, %	0	0	24823	0	0	0	24823
Pb, %	0	0	19236	0	0	5587	24823
Mg, %	0	0	15718	0	0	9105	24823
Zn, %	0	0	11809	0	0	13014	24823
Сэ, %	0	0	14644	0	0	10179	24823
Тип стакана дозатора п/к	0	0	0	24812	0	11	24823
№ НЛЗ	24823	0	0	0	0	0	24823
Ромбичность, мм	24823	0	0	0	0	0	24823

	<class 'int'>	<class 'pandas._libs.tslibs.timestamps.Timestamp'>	<class 'float'>	<class 'str'>	<class 'datetime.time'>	sum
Паспорт разливки плавки	24823	0	0	0	0	24823
Дата	0	24823	0	0	0	24823
Момент замера	0	24823	0	0	0	24823
Минут между плавками	0	0	24823	0	0	24823
Вес заготовок, т	0	0	24823	0	0	24823
Марка стали полученная	24823	0	0	0	0	24823
Номер серии	24823	0	0	0	0	24823
Плавка в серии	24823	0	0	0	0	24823
Размер	24823	0	0	0	0	24823
Тип разливки	0	0	0	24823	0	24823
Вес разлитой стали, т	0	0	24823	0	0	24823
Темп. стали в с/к, °C	0	0	24823	0	0	24823
Ручей	24823	0	0	0	0	24823
Стойкость, т	24823	0	0	0	0	24823
Ключ	0	0	0	24823	0	24823
Номер запись в паспорте	24823	0	0	0	0	24823
Номер кристаллизатора	24823	0	0	0	0	24823
Гильза	24060	0	0	763	0	24823
Стойкость при выходе из строя, т	24823	0	0	0	0	24823
Стойкость при последней ревизии, т	24823	0	0	0	0	24823
Срок службы, в % от гарантии	0	0	24823	0	0	24823
Частота качания, кол-во/мин	24823	0	0	0	0	24823
Ход кр-ра, мм	24823	0	0	0	0	24823
Скорость разливки, м/мин	24823	0	0	0	0	24823
Расход воды на кр-р, л/мин	24823	0	0	0	0	24823
Дельта температуры воды, °C	24823	0	0	0	0	24823
Расход воды ЗВО №1, л/мин	24823	0	0	0	0	24823
Расход воды ЗВО №2, л/мин	24823	0	0	0	0	24823
Расход воды ЗВО №3, л/мин	0	0	24823	0	0	24823
Марка	24823	0	0	0	0	24823
Кол-во, т	0	0	24823	0	0	24823
Время 1 замера	0	0	0	0	24823	24823
Темп 1, °С	0	0	24823	0	0	24823
Время 2 замера	0	0	0	24823	0	24823
Темп 2, °С	0	0	24823	0	0	24823
Время пробы МНЛЗ	0	0	0	24823	0	24823
C, %	0	0	24823	0	0	24823
Si, %	0	0	24823	0	0	24823
Mn,%	0	0	24823	0	0	24823
S, %	0	0	24823	0	0	24823
P, %	0	0	24823	0	0	24823
Cr, %	0	0	24823	0	0	24823
Ni, %	0	0	24823	0	0	24823
Cu, %	0	0	24823	0	0	24823
As, %	0	0	24823	0	0	24823
Mo, %	0	0	24823	0	0	24823
Nb, %	0	0	24823	0	0	24823
Sn, %	0	0	24823	0	0	24823
Ti, %	0	0	24823	0	0	24823
V, %	0	0	24823	0	0	24823
Al, %	0	0	24823	0	0	24823
Ca, %	0	0	24823	0	0	24823
N, %	0	0	24823	0	0	24823
Pb, %	0	0	24823	0	0	24823
Mg, %	0	0	24823	0	0	24823
Zn, %	0	0	24823	0	0	24823
Сэ, %	0	0	24823	0	0	24823
Тип стакана дозатора п/к	11	0	0	24812	0	24823
№ НЛЗ	24823	0	0	0	0	24823
Ромбичность, мм	24823	0	0	0	0	24823

	<class 'float'>	<class 'int'>	sum
Минут между плавками	24823	0	24823
Вес заготовок, т	24823	0	24823
Марка стали полученная	0	24823	24823
Плавка в серии	0	24823	24823
Размер	0	24823	24823
Вес разлитой стали, т	24823	0	24823
Темп. стали в с/к, °C	24823	0	24823
Ручей	0	24823	24823
Номер кристаллизатора	0	24823	24823
Стойкость при последней ревизии, т	0	24823	24823
Частота качания, кол-во/мин	0	24823	24823
Ход кр-ра, мм	0	24823	24823
Скорость разливки, м/мин	0	24823	24823
Расход воды на кр-р, л/мин	0	24823	24823
Дельта температуры воды, °C	0	24823	24823
Расход воды ЗВО №1, л/мин	0	24823	24823
Расход воды ЗВО №2, л/мин	0	24823	24823
Расход воды ЗВО №3, л/мин	24823	0	24823
Марка	0	24823	24823
Кол-во, т	24823	0	24823
Темп 1, °С	24823	0	24823
Темп 2, °С	24823	0	24823
C, %	24823	0	24823
Si, %	24823	0	24823
Mn,%	24823	0	24823
S, %	24823	0	24823
P, %	24823	0	24823
Cr, %	24823	0	24823
Ni, %	24823	0	24823
Cu, %	24823	0	24823
As, %	24823	0	24823
Mo, %	24823	0	24823
Nb, %	24823	0	24823
Sn, %	24823	0	24823
Ti, %	24823	0	24823
V, %	24823	0	24823
Al, %	24823	0	24823
Ca, %	24823	0	24823
N, %	24823	0	24823
Pb, %	24823	0	24823
Mg, %	24823	0	24823
Zn, %	24823	0	24823
Сэ, %	24823	0	24823
Ромбичность, мм	0	24823	24823
дельта	0	24823	24823

Цифровой прорыв 2020¶

С.-КАВКАЗСКИЙ IT-ХАБ¶

Кейс Металлургия¶

Команда DST-OFF¶

Импорт библиотек¶

Загрузка данных¶

Дообработка¶

Выявление корреляции между параметрами¶

Набор данных без деления по размерам гильз¶

Выборка по размеру гильз 150х150¶

Выборка по размеру гильз 180х180¶

Выявление сложных зависимостей с помощью моделирования¶

Модель Random forest без разбиения на размеры¶

Модель Random forest для гильз размером 150х150¶

Модель Random forest для гильз размером 180х180¶

Модель Random forest, реализация прямым подходом¶

(просто, с низкими значениями ошибок модели, но некорректно)¶